Correlação e Regressão

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "Correlação e Regressão"

Transcrição

1 Notas sobre Regressão, Correlação e Regressão Notas preparadas por L.A. Bertolo Índice Termos básicos e conceitos...1 Regressão simples...5 Regressão Múltipla...13 Terminologia de Regressão...20 Fórmulas de Regressão...21 Termos Básicos e conceitos 1. Um gráfico de espalhamento (scatter plot) é uma representação gráfica da relação entre duas ou mais variáveis. Num gráfico de espalhamento de duas variáveis x e y, cada ponto no gráfico é um par x-y. 2. Nós usamos regressão e correlação para descrever a variação em uma ou mais variáveis. A. A variação é a soma dos desvios quadrados de uma variável de sua média. Variação = x x B. A variação é o numerador da variância de uma amostra: Variância = x x N 1 C. Ambas, a variação e a variância, são medidas da dispersão de uma amostra. 3. A covariância entre duas variáveis aleatórias é uma medida estatística do grau para o qual as duas variáveis se movem juntas. A. A covariância captura quanto uma variável é diferente da sua média quando a outra variável for diferente da sua média. B. Uma covariância positiva indica que as variáveis tendem a se moverem juntas; uma covariância negativa indica que as variáveis tendem a se moverem em direções opostas. C. A covariância é calculada como a razão da co-variação pelo tamanho da amostra menos um: onde N é o tamanho da amostra xi é a i-ésima observação da variável x, é a média das observações da variável x, yi é a i-ésima observação da variável y, e é a média das observações da variável y. Covariância = x xy y N 1 D. O valor real da covariância não é significante porque ele não é afetado pela a escala das duas variáveis. Isto é o porquê de se calcular o coeficiente de correlação para tornar algo interpretável da informação da covariância. E. O coeficiente de correlação, r, é uma medida da intensidade da relação entre ou dentre as variáveis. Cálculo: Exemplo1: Preços de vendas de casas e pés quadrados Preços de venda de casas (eixo vertical) v. pés quadrados para uma amostra de 34 casas em Setembro de 2005 em St. Lucie County.

2 2 Notas sobre Regressão, r = â ã ã r = x xy y N 1 x x y y N 1 N 1 Nota: A correlação não implica que um causa o outro. Podemos dizer que duas variáveis X e Y estão correlacionadas, mas não que X causa Y ou que Y causa X, na média eles simplesmente estão relacionados ou associados um com o outro. i. O tipo de relação está representada pelo coeficiente de correlação: ii. Observação x y Desvio de x x - x Médio r =+1 correlação perfeitamente positiva +1 >r > 0 relação positiva r = 0 nenhuma relação 0 > r > 1 relação negativa r = 1 correlação perfeitamente negativa Desvio Quadrado de x (x - x Médio ) 2 Desvio de y y - y Médio Você pode determinar o grau de correlação observando o gráfico de espalhamento. Se a relação é para cima existe correlação positiva. Se a relação é para baixo existe correlação negativa. Desvio Quadrado de y (y - y Médio ) 2 Produto dos desvios (x - x Médio )(y - y Médio ) ,50 2,25 8,40 70,56-12, ,50 0,25 12,40 153,76-6, ,50 12,25 6,40 40,96-22, ,50 20,25 5,40 29,16-24, ,50 42,25 28,40 806,56 184, ,50 42,25-21,60 466,56 140, ,50 90,25-26,60 707,56 252, ,50 72,25-1,60 2,56-13, ,50 2,25-6,60 43,56-9, ,50 90,25-4,60 21,16-43,70 Soma ,00 374,50 0, ,40 445,00 Cálculos x Médio = 135/10 = 13,5 y Médio = 416/10 = 41,6 s 2 x= 374,5/9 = 41,611 s 2 y= 2.342,4/9 = 260,267 r = (445/9)/((41,611) 1/2 (260,267) 1/2 ) = 49,444/(6,451*16,133) = 0,475 2 de 22 - Notas sobre Regressão,

3 Notas sobre Regressão, 3 iii. O coeficiente de correlação está limitado por 1 e +1. Quanto mais próximo o coeficiente estiver de 1 ou +1, mais forte é a correlação. iv. Com a exceção dos extremos (isto é, r = 1,0 ou r = -1), nós não podemos realmente falar acerca da intensidade de uma relação indicada pelo coeficiente de correlação sem um teste estatístico de significância. v. As hipóteses de interesse a respeito da correlação da população, ρ, são: Hipóteses Nulas H0: ρ = 0 Em outras palavras, não existe correlação entre as duas variáveis Hipóteses Alternativas Ha: ρ =/ 0 Em outras palavras, há uma correlação entre as duas variáveis vi. O teste estatístico está t-distribuído com n-2 graus de liberdade: = Exemplo 2, continuação No exemplo anterior, r = 0,475 N = 10, =,, = =,, vii. Para tomar uma decisão, compare a estatística-t calculada com a estatística-t crítica para os graus de liberdade apropriados e nível de significância. Problema Suponha o coeficiente de correlação como 0,2 e o número de observações como 32. Qual é o teste estatístico calculado? Isto é uma correlação significante usando um nível de significância de 5%? Solução Hipóteses: H0: ρ = 0 Ha: ρ 0 Estatística-t calculada: =, =, = 1,11803,, Graus de liberdade = 32-1 = 31 O valor-t crítico para um nível de significância de 5% e 31 graus de liberdade é 2,042. Então, não existe correlação significante (1,11803 cai entre os dois valores críticos de e ). Problema Suponha o coeficiente de correlação como 0,80 e o número de observações como 62. Qual é o teste estatístico calculado? Isto é uma correlação significante usando um nível de significância de 1%? Solução Hipóteses: H0: ρ = 0 Ha: ρ 0 Estatística-t calculada: =,, =,, =,, = 9,42809 O valor-t crítico para um nível de significância de 1% e 11 observações é 3,169. Então, a hipótese nula é rejeitada e concluímos que existe correlação significante. Notas sobre Regressão, 3 de 22

4 4 Notas sobre Regressão, F. Um valor afastado (outlier 1 ) é um valor extremo de uma variável. O valor afastado deve ser bem grande ou bem pequeno (onde grande e pequeno são definidos relativamente ao restante da amostra). i. Um valor afastado deve afetar a estatística da amostra, tanto quanto um coeficiente de correlação. É possível para um valor afastado afetar o resultado, por exemplo, tal que concluímos que existe uma relação significante quando de fato não existe nenhuma ou concluir que não existe relação quando de fato há uma relação. ii. O pesquisador deve exercitar o julgamento (e cuidado) quando decidir se inclui ou exclui uma observação. G. Correlação espúria é uma aparência de uma relação quando de fato não existe relação. Valores afastados podem resultar numa correlação espúria. i. O coeficiente de correlação não indica uma relação causal. Certos itens dados podem estar altamente correlacionados, mas não necessariamente um resultado de uma relação causual. ii. Um bom exemplo de uma correlação espúria é a caída de neve e os preços de ações em Janeiro. Se fizermos uma regressão histórica dos preços de ações versus o total de caída de neve em Minnesota, obteremos uma relação estatística significante especialmente para os meses de Janeiro. Desde que não existe uma razão econômica para esta relação, este seria um exemplo de correlação espúria. Regressão Simples 1. Regressão é a análise da relação entre uma variável e alguma outra variável(s), assumindo uma relação linear. Também referida como regressão dos mínimos quadrados e mínimos quadrados ordinários (ordinary least squares - OLS). A. O propósito é explicar a variação numa variável (isto é, como uma variável difere do seu valor médio) usando a variação em uma ou outras mais variáveis. B. Suponha que queremos descrever, explicar, ou predizer porque uma variável difere de sua média. Seja a i- ésima observação desta variável representada como Y i, e seja n indicando o número de observações. A variação nos Y i 's (os quais queremos explicar) é: Variação do Y = y y = SS C. O princípio dos mínimos quadrados é que a linha de regressão é determinada minimizando a soma dos quadrados das distâncias verticais entre os valores reais de Y e os valores previstos de Y. 1 Uma observação extrema que está bem separada do restante dos dados. Em análise de regressão, nem todos os valores outlying terão uma influência na função de ajuste. Estes outlying com respeito a seus valores X (alavancagem alta), e aqueles com valores Y que não são consistentes com a relação de regressão para outros valores (resíduos altos) espera-se que sejam influentes. Para testar a influência de tais valores é usada a estatística Cook 4 de 22 - Notas sobre Regressão,

5 Notas sobre Regressão, 5 Uma linha é um ajuste através dos pontos XY tal que a soma dos resíduos quadráticos (isto é, a soma dos quadrados da distância vertical entre as observações e a linha) seja minimizada. 2. As variáveis numa relação de regressão consistem de variáveis dependentes e variáveis independentes. A. A variável dependente é a variável cuja variação está sendo explicada pela(s) outra(s) variável(s). Também referida como variável explicada, a variável endógena, ou a variável prevista. B. A variável independente é a variável cuja variação é usada para explicar aquelas da variável dependente. Também referida como a variável explicativa, a variável exógena, ou a variável previsível. C. Os parâmetros numa equação de regressão simples são a inclinação (b 1 ) e o intercepto (b 0 ): y i = b 0 + b 1 x i + ε i onde y i é a i-ésima observação da variável dependente, x i é a i-ésima observação da variável independente, b 0 é um intercepto. b 1 é o coeficiente de inclinação, ε i é um resíduo para a i-ésima observação. D. A inclinação, b 1, é a variação em Y para uma variação de uma unidade em X. A inclinação pode ser positiva, negativa, ou zero, calculados como: b =, = Sugestão: Pense na linha de regressão como a média da relação entre a variável independente e a variável dependente. O resíduo representa a distância de quanto um valor observado da variável dependente (i.e., Y) está longe da relação média como descrito pela linha de regressão. Suponha que: Uma fórmula atalho para o coeficiente de correlação: y y x x = x x = 450 N = 30 Então b =. =,, b y y x x b = N 1 x x N 1 x y x y N = x x N Se isto é realmente um atalho ou não depende do método de realizar os cálculos: manualmente, usando o Microsoft Excel, ou usando uma calculadora. E. O intercepto, b 0, é a intersecção da linha com o Y- em X=0. O intercepto pode ser positivo, negativo ou zero. O intercepto é calculado como: 3. A regressão linear assume o seguinte: b = y b x Notas sobre Regressão, 5 de 22

6 6 Notas sobre Regressão, A. Uma relação linear existe entre as variáveis, dependente e independente. Nota: se a relação não é linear, pode ser possível transformar uma ou ambas variáveis de modo que exista uma relação linear. B. A variável independente não está correlacionada com os resíduos; isto é, a variável independente não é aleatória. C. O valor esperado do termo distúrbio é zero; isto é, E(εi)=0 D. Há uma variância constante do termo distúrbio; isto é, os temos distúrbio ou resíduo são todos extraídos de uma distribuição com uma variância idêntica. Em outras palavras, os termos distúrbios são homoscedásticos. [Uma violação disto é referida como heteroscedasticidade.] Exemplo 1, continuaçao: Exemplo 1, continuação: Preços de vendas (eixo vertical) versus pés quadrados para uma amostra de 34 casas à venda em Setembro de 2007 em St. Lucie County. E. Os resíduos são distribuídos independentemente; isto é, o resíduo ou distúrbio para uma observação não está correlacionado com aquele de outra observação. [Uma violação disto é referida como auto-correlação.] F. O termo distúrbio (a.k.a. resíduo, a.k.a. error term) é normalmente distribuído. 4. O erro padrão da estimativa, SEE, (também referido como o erro padrão do resíduo ou erro padrão da regressão, e freqüentemente indicado como se) é o desvio padrão dos valores previstos da variável dependente ao redor da linha de regressão estimada. 5. Erro padrão da estimativa (SEE) = s = SEE = = = Onde SS Residual é a soma dos erros quadráticos; ^ indica o valor predito ou estimado da variável ou parâmetro; e y = b x é o ponto na linha de regressão correspondente a um valor da variável independente, o x i ; o valor esperado de y, dado a relação média estimada entre x e y. 6 de 22 - Notas sobre Regressão,

7 Notas sobre Regressão, 7 A. O erro padrão da estimativa ajuda-nos calibrar o "ajuste" da linha de regressão; isto é, quão bem temos descrito a variação na variável dependente. i. Quanto menor o erro padrão, melhor o ajuste. ii. O erro padrão da estimativa é uma medida da proximidade dos valores estimados (usando a regressão estimada), os yˆ 's, estão dos valores reais, os Y's. iii. Os ε i s (a.k.a. os termos distúrbios; a.k.a. os resíduos) são as distâncias verticais entre o valor observado de Y e aquele previsto pela equação, os yˆ ' iv. Os εi s estão nos mesmos termos (unidades de medidas) que os Y s (p.ex, dollars, pounds, billions) 6. O coeficiente de determinação, R 2, é a porcentagem da variação da variável dependente (variação dos Yi's ou a soma dos quadrados total, SST) explicada pela variável independente(s). A. O coeficiente de determinação é calculado como: R = çã = çã çã çã çã = ã = Exemplo 2, continuação: Considere as seguintes observações sobre X e Y: Observação x y Soma A linha de regressão estimada é: Y i = 25, ,188 x i E os resíduos são calculados como: Observação x y ^y y-^y e ,82 10,18 103, ,01 12,99 168, ,44 10,56 111, ,25 10,75 115, ,32 20,68 427, ,88-13,88 192, ,31-15,31 234, ,70-11,70 136, ,38-8,38 70, ,89-15,89 252,49 Portanto, 0, ,77 SS Residual = 1.813,63/8 = 226,70 SEE = (226,70) 1/2 = 15,06 B. Um R 2 de 0,49 indica que as variáveis independentes explicam 49% da variação da variável dependente. Notas sobre Regressão, 7 de 22

8 8 Notas sobre Regressão, Exemplo 2, continuação Continuando o exemplo de regressão anterior, podemos calcular o R 2. x y (y - y Médio ) 2 ^y y-^y (^y - y Médio ) 2 ε ,56 39,82 10,18 3,17 103, ,76 41,01 12,99 0,35 168, ,96 37,44 10,56 17,31 111, ,16 36,25 10,75 28,62 115, ,56 49,32 20,68 59,60 427, ,56 33,88-13,88 59,60 192, ,56 30,31-15,31 127,46 234, ,56 51,70-11,70 102,01 136, ,56 43,38-8,38 3,17 70, ,16 52,89-15,89 127,46 252, ,40 416,00 0,00 528, ,77 R 2 = 528,77/ 2.342,40 = 22,57% ou R 2 = 1 (1.813,63/2.342,40) = 1 0,7743 = 22,57%. 7. Um intervalo de confiança é um intervalo de valores de coeficientes de regressão para um dado valor estimado do coeficiente e um dado nível de probabilidade. A. O intervalo de confiança para um regressão coeficiente é calculado como: ± Ou < < + onde tc é um valor-t crítico para o nível de confiança selecionado. Se existirem 30 graus de liberdades e um nível de confiança 95%, o tc é 2,042 [tomado de uma tabela-t]. B. A interpretação do intervalo de confiança é que ele é um intervalo que acreditamos que incluirá o parâmetro verdadeiro ( 1 bˆ s no caso acima) com nível de confiança especificado. 8. Quando o erro padrão da estimativa (a variabilidade dos dados ao redor da linha de regressão) subir, a confiança se alarga. Em outras palavras, quanto mais variáveis forem os dados, menos confiante você ficará quando estiver usando o modelo de regressão para estimar o coeficiente. 9. O erro padrão do coeficiente é uma raiz quadrada da razão da variância da regressão pela variação da variável independente: S = 1 A. Teste de hipóteses: uma variável explicativa individual S x x i. Para testar hipótese do coeficiente de inclinação (isto é, para ver se a inclinação estimada é igual a um valor hipotético, b 0, H o : b = b 1, calculamos a estatística t-distribuída: 8 de 22 - Notas sobre Regressão,

9 Notas sobre Regressão, 9 = ii. O teste estatístico é t distribuído com N k 1 graus de liberdade (número de observações (N), menos o número de variáveis independentes (k), menos um). B. Se a estatística-t é maior que o valor-t crítico para o apropriado grau de liberdade, (ou menor que o valor-t crítico uma inclinação negativa) podemos dizer que o coeficiente de inclinação é diferente do valor hipotético, b1. C. Se não existir relação entre a variável dependente e uma variável independente, o coeficiente de inclinação, b 1, será zero. Nota: A fórmula para o erro padrão do coeficiente tem a variação da variável independente no denominador, não a variância. A variância = variação / n-1. Uma inclinação zero indica que não existe variação em Y para uma dada variação em X Uma inclinação zero indica que não existe relação entre Y e X. D. Para testar se uma variável independente explica a variação na variável dependente, a hipótese que é testada é se a inclinação é zero: Ho: b1= 0 versus a alternativa (que você conclui se você rejeitar a nula, Ho): Ha: b1 0 Esta hipótese alternativa é referida como uma hipótese bilateral. Isto significa que rejeitamos a nula se a inclinação observada é diferente de zero em uma das duas direções (positiva ou negativa). E. Existem hipóteses na economia que se referem ao sinal da relação entre as variáveis dependente e as independentes. Neste caso, a alternativa é direcional (> ou <) e o teste-t é unilateral (usa somente uma cauda da distribuição-t). No caso de uma alternativa unilateral, existe somente um valor-t crítico. Notas sobre Regressão, 9 de 22

10 10 Notas sobre Regressão, Exemplo 3: Testando a significância de um coeficiente de inclinação Suponha que o coeficiente de inclinação estimado seja 0,78, o tamanho da amostra seja 26, o erro padrão da coeficiente seja 0.32, e o nível de significância seja 5%. A inclinação é diferente de zero? O teste estatístico calculado é : tb = Os valores-t críticos são = 2,060 =,, = 2,4375 Rejeitar H 0 Falha para rejeitar H 0 Rejeitar H 0 Portanto, rejeitamos a hipótese nula, concluindo que a inclinação é diferente de zero. 10. Interpretação dos coeficientes. A. O intercepto estimado é interpretado como o valor da variável dependente (o Y) se a variável independente (o X) tomar um valor zero. B. O coeficiente estimado de inclinação é interpretado como a variação na variável dependente para uma dada variação de uma unidade na variável independente. C. Quaisquer conclusões à respeito da importância de uma variável independente na explicação de uma variável dependente exige determinar a significância estatística se o coeficiente inclinar. Simplesmente olhando para a magnitude do coeficiente de inclinação não indica esta matéria de importância da variável. 11. Previsão é usar regressão envolve fazer predições acerca da variável dependente baseado nas relações médias observadas na regressão estimada. A. Valores preditos são valores da variável dependente baseado nos coeficientes de regressão estimados e uma predição acerca dos valores das variáveis independentes. B. Para uma regressão simples, o valor de Y é predito como: Exemplo 4 Suponha que você estimou um modelo de regressão com as seguintes estimativas: yˆ = 1,50 + 2,5 X 1 Além disso, você tem valores projetados para a variável independente, X 1 =20. O valor projetado para y é 51,5: yˆ = 1,50 + 2,50 (20) = 1, = 51,5 10 de 22 - Notas sobre Regressão,

11 Notas sobre Regressão, 11 onde yˆ é um valor previsto da variável dependente, e x p é um valor previsto da variável independente (input). yˆ = bˆ0 + bˆi x p 12. Uma análise de tabela de variância (tabela ANOVA) é um resumo das explicação da variação da variável dependente. A forma básica da tabela ANOVA é como segue: Fonte de variação Graus de Liberdade Soma dos quadrados Regressão (Explicada) 1 Soma das regressões ao quadrado (SS Regressão ) Erro (não explicado) N 2 Soma dos resíduos ao quadrado (SS Residual ) Total N 1 Soma dos quadrados total (SS Total ) Média Quadrática Regressão Quadrática Média = SS Regressão+ /1 Erro quadrático médio = SS Residuo+ /N-2 Exemplo 5 Graus de Soma dos quadrados Média Quadrática Fonte de variação Liberdade Regressão (Explicada) Erro (não explicado) Total R 2 = 5.050/5.650 = 0,8938 ou 89,38% SEE = (600/28) 1/2 = (21.429) 1/2 = 4,629 Notas sobre Regressão, 11 de 22

12 12 Notas sobre Regressão, Regressão Múltipla 1. Regressão múltipla é a análise de regressão com mais do que uma variável independente. A. O conceito de regressão múltipla é idêntico daquele da análise de regressão simples exceto que duas ou mais variáveis independentes são usadas simultaneamente para explicarem as variações da variável dependente. y = b 0 + b 1 x 1 + b 2 x 2 + b 3 x 3 + b 4 x 4 B. Numa regressão múltipla, a meta é minimizar a soma dos erros quadráticos. Cada coeficiente de inclinação é estimado enquanto se mantém as outras variáveis constantes. 2. O intercepto na equação de regressão tem a mesma interpretação que ela tinha sob o caso linear simples o intercepto é um valor da variável dependente quando todas as variáveis independentes são iguais a zero. 3. O coeficiente de inclinação é um parâmetro que reflete a variação na variável dependente para uma unidade de variação na variável independente. A. Os coeficientes de inclinações (os betas) são descritos como o movimento na variável dependente para uma variação de uma unidade de variação na variável independente mantendo todas as outras variáveis independentes constantes. B. Por esta razão, os coeficientes betas numa regressão linear múltipla, são algumas vezes chamados de betas parciais ou coeficientes parciais de regressão. 4. Modelo de Regressão: Y i = b 0 + b 1 x 1i + b 2 x 2i + ε i onde: bj é a coeficiente de inclinação da j-ésima variável dependente; e xji é a i-ésima observação da j-ésima variável. A. Os graus de liberdade para o teste de um coeficiente de inclinação são N-k-1, onde n é um número de observações da amostra e k é um número de variáveis independentes. B. Na regressão múltipla, as variáveis independentes podem estar correlacionadas umas com as outras, resultando em estimativas menos confiáveis. Este problema é referido como multi-colinearidade. 5. Um intervalo de confiança para uma inclinação da regressão de população numa regressão múltipla é um intervalo centrado na inclinação estimada: ± ou Nós não representamos a regressão múltipla graficamente porque ela exigiria gráficos que estão em mais do que duas dimensões. Uma inclinação com qualquer outro nome O coeficiente de inclinação é a elasticidade da variável dependente com respeito à variável independente. Em outras palavras, é a derivada primeira da variável dependente com respeito à variável independente. < < + A. Este é o mesmo intervalo usado na regressão simples para o intervalo de um coeficiente de inclinação. B. Se este intervalo contém zero, concluímos que a inclinação não é estatisticamente diferente de zero. 6. As hipóteses do modelo da regressão múltipla são como segue: A. Uma relação linear existe entre as variáveis, dependente e independente. 12 de 22 - Notas sobre Regressão,

13 Notas sobre Regressão, 13 B. As variáveis independentes não estão correlacionadas com os resíduos; isto é, a variável independente não é aleatória. Além disso, não existe relação linear entre duas ou mais variáveis independentes. [Nota: isto é ligeiramente modificado das hipóteses do modelo de regressão simples.] C. O valor esperado do termo distúrbio é zero; isto é, E(εi)=0 D. Há uma variância constante do termo distúrbio; isto é, os termos distúrbio ou resíduo são todos extraídos de uma distribuição com uma variância idêntica. Em outras palavras, os termos distúrbios são homoscedásticos. [Uma violação disto é referida como heteroscedasticidade 2.] E. Os resíduos são distribuídos independentemente; isto é, o resíduo ou distúrbio para uma observação não está correlacionado com aquele de outra observação. [Uma violação disto is referida como auto-correlação.] F. O termo distúrbio (a.k.a. resíduo, a.k.a. error term) é normalmente distribuído. G. O resíduo (a.k.a. termo distúrbio, a.k.a. error term) éo que não é explicado pelas variáveis independentes. 7. Numa regressão com duas variáveis independentes, o resíduo para a i-ésima observação é: ε i =Y i (b ˆ0 + b ˆ1 x 1i + 2 b ˆ x 2i ) 8. O erro padrão da estimativa (SEE) é o erro padrão do resíduo: = = = 9. Os graus de liberdade, df, são calculados como: df = ú çõ ú 1 = N k 1 = N k + 1 á A. Os graus de liberdade são o número de pedaços de informações independentes que são usadas para estimar os parâmetros de regressão. No cálculo dos parâmetros de regressão, usamos os seguintes pedaços de informações: A média da variável dependente. A média de cada uma das variáveis independentes. B. Então, se a regressão é uma regressão simples, usamos os dois graus de liberdade na estimação da linha de regressão. se a regressão é uma regressão múltipla com quatro variáveis independentes, usamos cinco graus de liberdade na estimação da linha de regressão. 10. Previsão (Forecasting) usando regressão envolve fazer predições acerca da variável dependente baseadas nas relações médias observadas na regressão estimada. 2 Em estatística, uma seqüência ou um vetor de variáveis aleatórias é heteroscedástico (heteroskedastistic) se as variaveis aleatórias tiverem variâncias diferentes. O conceito complementar é chamado homocedasticidade (homoscedasticity). (Nota: A ortografia alternativa homo- ou heteroskedasticity é igualmente correta e também é usada freqüentemente). O termo significa "variância diferindo" e vem do Grego "hetero" ('diferente') e "skedastios" ('dispersão'). Quando usar algumas técnicas estatísticas, tais como mínimos quadrados ordinários (ordinary least squares - OLS), várias hipóteses são geralmente feitas. Uma delas é que o termo erro tenha uma variância constante. Isto será verdadeiro se as observações do termo erro forem assumidas serem extraídas de distribuições idênticas. Heteroscedasticidade é uma violação desta hipótese. Por exemplo, o termo erro poderá variar ou aumentar com cada observação, de certa forma este é o caso freqüente com medidas de seção cruzada ou séries temporais. Heteroscedasticidade é freqüentemente estudada como parte da econometria, que freqüentemente lida com dados exibindo ela. Com o advento de erros padrões robustos permitindo-nos fazer inferência sem especificar o segundo momento condicional do termo erro, testar a homoscedasticidade condicional não é tão importante quanto no passado. O econometricista Robert Engle ganhou o 2003 Nobel Memorial Prize for Economics pelos seus estudos sobre análise de regressão na presença de heteroscedasticidade, que conduziu à sua formulação da técnica de modelagem ARCH (Auto Regressive Conditional Heteroscedasticity). Notas sobre Regressão, 13 de 22

14 14 Notas sobre Regressão, A. Valores Preditos são valores da variável dependente baseados na regressão estimada dos coeficientes e uma predição acerca dos valores das variáveis independentes. B. Para uma regressão simples, o valor de y é previsto como: yˆ = bˆ 0 + bˆ 1 xˆ 1 + bˆ 2 xˆ 2 onde yˆ é o valor previsto da variável dependente, b i ˆ é o parâmetro estimado, e xˆ i é o valor previsto da variável independente C. Quanto melhor for o ajuste da regressão (isto é, quanto menor for o SEE), mais confiantes estamos nas nossas predições. Exemplo 6: Usando informação da análise de variância Suponha que estamos estimando com o modelo de regressão múltipla que tem cinco variáveis independentes usando uma de 65 observações. Se a soma dos resíduos quadráticos é 789, qual é o erro padrão da estimativa? Solução Dado: SSResidual = 789 N = 65 k = 5 SEE = = = 13,373 Cuidado: O intercepto estimado e todas as inclinações estimadas são usadas na predição do valor da variável dependente, mesmo se uma inclinação não for estatisticamente significantemente diferente de zero. Exemplo 7: Calculando um valor projetado (forecasted) Suponha que você está estimando um modelo de regressão com as seguinte estimativas: ^Y = 1,50 + 2,5 X 1 0,2 X 2 + 1,25 X 3 Além disso, você tem os valores previstos para as variáveis independentes: X 1 =20 X 2 =120 X 3 =50 Qual é o valor previsto de y? Solução O valor previsto para Y é 90: ^Y = 1,50 + 2,50 (20) 0,20 (120) + 1,25 (50) = 1, ,50 = A estatística-f é uma medida de quão bem um conjunto de variáveis independentes, como um grupo, explica a variação na variável dependente. A. A estatística-f é calculada como: F = ã ã á é = = é á B. A estatística-f pode ser formulada para testar todas as variáveis independentes como um grupo (a aplicação mais comum). Por exemplo, se existirem quatro variáveis independentes no modelo, as hipóteses são: H 0 : b 1 = b 2 = b 3 = b 4 = 0 H a : no mínimo um b i 0 C. A Estatística-F pode ser formulada para testar subconjuntos de variáveis independentes (para ver se elas tem poder de explicação incremental (incremental explicativa power). Por exemplo se existirem quatro variáveis independentes no modelo, um subconjunto poderia ser examinado: H 0 : b 1 =b 4 =0 H a : b 1 ou b O coeficiente de determinação, R 2, é a porcentagem da variação da variável dependente explicada pelas variáveis independentes. 14 de 22 - Notas sobre Regressão,

15 Notas sobre Regressão, 15 R = çã çã = çã çã çã R = 0<R 2 <1 A. Por construção, R 2 varia de 0 a 1,0 B. O R 2 -ajustado é uma alternativa a R 2 : R = 1 1 R i. O R 2 -ajustado é menor que ou igual a R 2 ( igual a somente quando k=1). ii. Adicionando variáveis independentes ao modelo o R 2 aumentará. Adicionar variáveis independentes ao modelo pode aumentar ou diminuir o R 2 -ajustado (Nota: R 2 -ajustado pode ser até negativo). iii. O R 2 -ajustado não tem a explicação clara do poder explicativo que o R 2 tem. 13. O propósito da tabela da Análise da Variância (ANOVA) é atribuir a total variação da variável dependente ao modelo de regressão (a fonte de regressão na coluna 1) e os resíduos (a fonte de erro da coluna 1). A. SSTotal é a total variação de Y ao redor de sua média ou valor médio (a.k.a. soma dos quadrados total) e é calculada como onde é a média de Y. SS = y y B. SSResidual (a.k.a. SSE) é a variabilidade isto é não é explicada pela regressão e é calculada como: SS = SSE = y y = e onde Yˆ é o valor da variável dependente usando a equação de regressão. C. SSRegression (a.k.a. SSExplicada) é a variabilidade que é explicada pela equação de regressão e é calculada como SSTotal SSResidual. SS ã = y y D. MSE é o erro quadrático médio, ou MSE = SSResidual / (N k - 1) onde k é o número de variáveis independentes na regressão. E. MSR é a regressão quadrática média, MSR =SSRegressão / k Notas sobre Regressão, 15 de 22

16 16 Notas sobre Regressão, Tabela de Análise da Variância (ANOVA) Fonte df Graus de Liberdade SS Soma dos quadrados Regressão k SS Regressão MSR Erro (não explicado) N k - 1 SS Residual MSE Total N 1 SS Total R 2 = ã F = = Variáveis Dummy são variáveis qualitativas que tomam os valores zero ou um. SS/df Média Quadrática A. A maioria das variáveis independentes representa um fluxo contínuo de valores. Entretanto, Alguma vezes a variável independente é de natureza binária (ela é ou ON ou OFF). B. Estes tipos de variáveis são chamadas variáveis dummy e aos dados é atribuído um valor de "0" ou "1". Em muitos casos, você aplica o conceito de variável dummy para quantificar o impacto de uma variável qualitativa. Uma variável dummy é uma variável dicotômica; isto é, ela toma um valor de um ou zero. C. Use uma variável dummy a menos que o número de classes (p.ex., se tem três classes, use duas variáveis dummy), caso contrário você cairá numa variável dummy "emboscada" (multicolinearidade perfeita hipótese da violação [2]). D. Uma variável dummy interativa é uma variável dummy (0,1) multiplicada por uma variável para criar uma nova variável. A inclinação desta nova variável diz-nos a inclinação incremental. 15. Heteroscedasticidade é uma situação em que a variância dos resíduos não é constante em todas as observações. A. Uma hipótese da metodologia da regressão é que a amostra é extraída da mesma população, e que a variância dos resíduos é constante nas observações; em outras palavras, os resíduos são homoscedásticos. B. Heteroscedasticidade é um problema porque os estimadores não tem a menor variância possível, e portanto o erro padrão dos coeficientes não serão corretos. 16. Auto-correlação é uma situação em que os termos de resíduos estão correlacionadas unscom os outros. Isto ocorre freqüentemente em análises de séries temporais. A. Auto-correlação aparece geralmente em dados de séries temporais. Se o lucro do ano passado foi maior, isto significa que o lucro deste ano pode ter uma probabilidade maior de ser alto do que ser baixo. Isto é um exemplo de auto-correlação positiva. Quando um ano bom for sempre seguido por uma ano ruim, isto é um exemplo de auto-correlação negativa. B. Auto-correlação é um problema porque os estimadores não tem a menor variância possível e portanto oerro padrão dos coeficientes não seriam corretos. 17. Multicolinearidade é um problema de alta correlação entre ou dentre duas ou mais variáveis independentes. A. Multicolinearidade é uma problema porque i. A presença da multicolinearidade pode causar distorções no erro padrão e pode conduzir a problemas com teste significância dos coeficientes individuais, e ii. Estimativas são sensíveis às variações nas observações da amostra ou da especificação do modelo. B. Se existir multicolinearidade, estamos mais aptos a concluir que uma variável não é importante. C. Multicolinearidade está provavelmente presente em certo grau na maioria dos modelos econômicos. Multicolinearidade perfeita nos proibirá de estimar os parâmetros de regressão. O caso é então realmente a um dos graus. 16 de 22 - Notas sobre Regressão,

17 Notas sobre Regressão, O significado econômico dos resultados de uma estimação de regressão focaliza principalmente nos coeficientes de inclinação. A. Os coeficientes de inclinação indicam a variação da variável dependente para uma variação de uma unidade na variável independente. Esta inclinação pode ser então interpretada como uma medida da elasticidade; isto é, a variação em uma variável corresponde a uma variação em outra variável. B. É possível ter significância estatística, apesar de que não tenha significância econômica (p.ex., retornos anormais significantes associados com um anúncio, mas estes retornos não são suficientes para cobrirem custos de transações). Para Testar o papel de uma única variável na explicação da variação da variável dependente Testar o papel de todas as variáveis na explicação da variação da variável dependente Estimar a variação na variável dependente para uma variação de uma unidade na variável independente Estimar a variável dependente se todas as variáveis independentes tomarem um valor zero use a estatística-t. a estatística-f. o coeficiente de inclinação. o intercepto. Estimar a porcentagem das variações explicadas das variáveis dependentes pelas variáveis independentes Prever o valor da variável dependente dados os valores estimados da variável independente(s) o R 2. A equação de regressão, substituindo os valores estimados da variável independente(s) na equação. Notas sobre Regressão, 17 de 22

18 18 Notas sobre Regressão, Regressão terminologia Analysis of variância ANOVA Autocorrelação Coefficient of determination Confidence interval Correlation coeficiente Covariance Covariation Cross-sectional Degrees of freedom Dependent variável Explained variável Explanatory variável Forecast Estatística-F Heteroskedasticity Homoskedasticity Invariável dependente Intercept Least squares regressão Mean square error Mean square regressão Multicollinearity Regressão múltipla Negative correlação Ordinary least squares Perfect negative correlação Perfect positive correlação Positive correlação Predicted valor R 2 Regressão Residual Scatterplot se SEE Simple regressão Slope Slope coeficiente Spurious correlação SSResidual SSRegression SSTotal Standard error da estimate Sum of squares error Sum of squares regressão Sum of squares total Time-series t-statistic Variância Variação Fórmulas de Regressão Variação = x x Variância = Covariância = Correlação r = Regressão y i = b 0 + b 1 x i + ε i y = b 0 + b 1 x 1 + b 2 x 2 + b 3 x 3 + b 4 x 4 + ε i = b =, = b = y b x 18 de 22 - Notas sobre Regressão,

19 Notas sobre Regressão, 19 Testes e intervalos de confiança SEE = y b b x N 2 = y y N 2 = e N 2 S = 1 S x x = F = Regressão quadrática média Erro médio quadrático = MSR MSE = SS ã k SS N k 1 y y k y y N k 1 Previsão < < + yˆ = bˆ 0 + bˆ 1 xˆ 1 + bˆ 2 xˆ 2 Análise de Variância y y = SS SS = SSE = y y = e SS ã = y y F = Regressão quadrática média Erro médio quadrático = MSR MSE = SS ã k SS N k 1 y y k y y N k 1 Regressão Notas sobre Regressão, 19 de 22

20 20 Notas sobre Regressão, yi = b0 + b1 xi + εi y = b0 + b1x1 + b2x2 + b3x3 + b4x4 + εi 20 de 22 - Notas sobre Regressão,

IMES Catanduva. Probabilidades e Estatística. no Excel. Matemática. Bertolo, L.A.

IMES Catanduva. Probabilidades e Estatística. no Excel. Matemática. Bertolo, L.A. IMES Catanduva Probabilidades e Estatística Estatística no Excel Matemática Bertolo, L.A. Aplicada Versão BETA Maio 2010 Bertolo Estatística Aplicada no Excel Capítulo 3 Dados Bivariados São pares de valores

Leia mais

AULAS 13, 14 E 15 Correlação e Regressão

AULAS 13, 14 E 15 Correlação e Regressão 1 AULAS 13, 14 E 15 Correlação e Regressão Ernesto F. L. Amaral 23, 28 e 30 de setembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de

Leia mais

Correlação e Regressão

Correlação e Regressão Correlação e Regressão Análise de dados. Tópico Prof. Dr. Ricardo Primi & Prof. Dr. Fabian Javier Marin Rueda Adaptado de Gregory J. Meyer, University of Toledo, USA; Apresentação na Universidade e São

Leia mais

COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder

COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder Comentário Geral: Prova muito difícil, muito fora dos padrões das provas do TCE administração e Economia, praticamente só caiu teoria. Existem três questões (4, 45 e 47) que devem ser anuladas, por tratarem

Leia mais

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr Análise de Regressão Tópicos Avançados em Avaliação de Desempenho Cleber Moura Edson Samuel Jr Agenda Introdução Passos para Realização da Análise Modelos para Análise de Regressão Regressão Linear Simples

Leia mais

AULAS 24 E 25 Análise de Regressão Múltipla: Inferência

AULAS 24 E 25 Análise de Regressão Múltipla: Inferência 1 AULAS 24 E 25 Análise de Regressão Múltipla: Inferência Ernesto F. L. Amaral 23 e 25 de novembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma

Leia mais

Método dos mínimos quadrados - ajuste linear

Método dos mínimos quadrados - ajuste linear Apêndice A Método dos mínimos quadrados - ajuste linear Ao final de uma experiência muitas vezes temos um conjunto de N medidas na forma de pares (x i, y i ). Por exemplo, imagine uma experiência em que

Leia mais

Aula 5 Metodologias de avaliação de impacto

Aula 5 Metodologias de avaliação de impacto Aula 5 Metodologias de avaliação de impacto Metodologias de Avaliação de Impacto Objetiva quantificar as mudanças que o projeto causou na vida dos beneficiários. Plano de Aula Método experimental: regressão

Leia mais

Estatística e Probabilidade

Estatística e Probabilidade Correlação Estatística e Probabilidade Uma correlação é uma relação entre duas variáveis. Os dados podem ser representados por pares ordenados (x,y), onde x é a variável independente ou variável explanatória

Leia mais

CRM e Prospecção de Dados

CRM e Prospecção de Dados CRM e Prospecção de Dados Marília Antunes aula de 11 de Maio 09 6 Modelos de regressão 6.1 Introdução No capítulo anterior foram apresentados alguns modelos preditivos em que a variável resposta (a variável

Leia mais

Departamento de Matemática - UEL - 2010. Ulysses Sodré. http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.

Departamento de Matemática - UEL - 2010. Ulysses Sodré. http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010. Matemática Essencial Extremos de funções reais Departamento de Matemática - UEL - 2010 Conteúdo Ulysses Sodré http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.

Leia mais

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis O objetivo deste texto é apresentar os principais procedimentos

Leia mais

Aula 4 Estatística Conceitos básicos

Aula 4 Estatística Conceitos básicos Aula 4 Estatística Conceitos básicos Plano de Aula Amostra e universo Média Variância / desvio-padrão / erro-padrão Intervalo de confiança Teste de hipótese Amostra e Universo A estatística nos ajuda a

Leia mais

Aula 5 Técnicas para Estimação do Impacto

Aula 5 Técnicas para Estimação do Impacto Aula 5 Técnicas para Estimação do Impacto A econometria é o laboratório dos economistas, que busca reproduzir o funcionamento do mundo de forma experimental, como se faz nas ciências naturais. Os modelos

Leia mais

Slides de Estatística Descritiva na HP-12C 01/10/2009 ESTATÍSTICAS. Na HP-12C. 01/10/2009 Bertolo 2. O que é Estatística?

Slides de Estatística Descritiva na HP-12C 01/10/2009 ESTATÍSTICAS. Na HP-12C. 01/10/2009 Bertolo 2. O que é Estatística? ESTATÍSTICAS Na HP-12C 01/10/2009 Bertolo 1 O que é Estatística? A estatística pode ser entendida como um conjunto de ferramentas envolvidas no estudo de métodos e procedimentos usados para 1. colecionar,

Leia mais

AULAS 04 E 05 Estatísticas Descritivas

AULAS 04 E 05 Estatísticas Descritivas 1 AULAS 04 E 05 Estatísticas Descritivas Ernesto F. L. Amaral 19 e 28 de agosto de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro:

Leia mais

NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS. Mayara Condé Rocha Murça TRA-53 Logística e Transportes

NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS. Mayara Condé Rocha Murça TRA-53 Logística e Transportes NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS Mayara Condé Rocha Murça TRA-53 Logística e Transportes Setembro/2013 Introdução Estimativas acuradas do volume de produtos e serviços processados pela

Leia mais

Análise de Regressão Linear Simples e Múltipla

Análise de Regressão Linear Simples e Múltipla Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Carla Henriques (DepMAT ESTV) Análise de Regres. Linear Simples e Múltipla

Leia mais

SisDEA Home Windows Versão 1

SisDEA Home Windows Versão 1 ROTEIRO PARA CRIAÇÃO E ANÁLISE MODELO REGRESSÃO 1. COMO CRIAR UM MODELO NO SISDEA Ao iniciar o SisDEA Home, será apresentada a tela inicial de Bem Vindo ao SisDEA Windows. Selecione a opção Criar Novo

Leia mais

PREVISÃO DE VENDAS DE CERVEJA PARA UMA INDÚSTRIA DE RIBEIRÃO PRETO

PREVISÃO DE VENDAS DE CERVEJA PARA UMA INDÚSTRIA DE RIBEIRÃO PRETO PREVISÃO DE VENDAS DE CERVEJA PARA UMA INDÚSTRIA DE RIBEIRÃO PRETO José Gilberto S. Rinaldi (UNESP/Presidente Prudente) Randal Farago (Faculdades Integradas FAFIBE) Resumo: Este trabalho aborda técnicas

Leia mais

AVALIAÇÃO DO MODELO DE ONDAS

AVALIAÇÃO DO MODELO DE ONDAS AVALIAÇÃO DO MODELO DE ONDAS O modelo de onda WAVEWATCH implementado operacionalmente no CP- TEC/INPE global é validado diariamente com os dados do satélite JASON-2. Este novo produto tem como finalidade

Leia mais

Modelagem da Venda de Revistas. Mônica Barros. Julho de 1999. info@mbarros.com 1

Modelagem da Venda de Revistas. Mônica Barros. Julho de 1999. info@mbarros.com 1 Modelagem da Venda de Revistas Mônica Barros Julho de 1999 info@mbarros.com 1 Modelagem Matemática e Previsão de Negócios Em todas as empresas, grandes e pequenas, é necessário fazer projeções. Em muitos

Leia mais

Módulo 4 PREVISÃO DE DEMANDA

Módulo 4 PREVISÃO DE DEMANDA Módulo 4 PREVISÃO DE DEMANDA Conceitos Iniciais Prever é a arte e a ciência de predizer eventos futuros, utilizando-se de dados históricos e sua projeção para o futuro, de fatores subjetivos ou intuitivos,

Leia mais

Contabilometria. Aula 10 Grau de Ajustamento e Verificação das Premissas MQO

Contabilometria. Aula 10 Grau de Ajustamento e Verificação das Premissas MQO Contabilometria Aula 10 Grau de Ajustamento e Verificação das Premissas MQO Ferramentas -------- Análise de Dados -------- Regressão Regressão Linear - Exemplo Usando o Excel Regressão Linear Output do

Leia mais

Introdução aos Modelos Lineares em Ecologia

Introdução aos Modelos Lineares em Ecologia Introdução aos Modelos Lineares em Ecologia Prof. Adriano Sanches Melo - Dep. Ecologia UFG asm.adrimelo no gmail.com Página do curso: www.ecologia.ufrgs.br/~adrimelo/lm/ Livro-texto: Crawley, M.J. 2005.

Leia mais

6 OS DETERMINANTES DO INVESTIMENTO NO BRASIL

6 OS DETERMINANTES DO INVESTIMENTO NO BRASIL 6 OS DETERMINANTES DO INVESTIMENTO NO BRASIL Este capítulo procurará explicar os movimentos do investimento, tanto das contas nacionais quanto das empresas abertas com ações negociadas em bolsa através

Leia mais

Introdução. Existem situações nas quais há interesse em estudar o comportamento conjunto de uma ou mais variáveis;

Introdução. Existem situações nas quais há interesse em estudar o comportamento conjunto de uma ou mais variáveis; UNIVERSIDADE FEDERAL DA PARAÍBA Correlação e Regressão Luiz Medeiros de Araujo Lima Filho Departamento de Estatística Introdução Eistem situações nas quais há interesse em estudar o comportamento conjunto

Leia mais

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES Caros concurseiros, Como havia prometido, seguem comentários sobre a prova de estatística do ICMS RS. Em cada questão vou fazer breves comentários, bem como indicar eventual possibilidade de recurso. Não

Leia mais

Aula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística

Aula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística Aula 4 Conceitos Básicos de Estatística Aula 4 Conceitos básicos de estatística A Estatística é a ciência de aprendizagem a partir de dados. Trata-se de uma disciplina estratégica, que coleta, analisa

Leia mais

Faturamento de Restaurantes

Faturamento de Restaurantes Faturamento de Restaurantes Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Faturamento de Restaurantes 2 o Semestre 2015 1 / 28

Leia mais

Regressão Linear em SPSS

Regressão Linear em SPSS Regressão Linear em SPSS 1. No ficheiro Calor.sav encontram-se os valores do consumo mensal de energia, medido em milhões de unidades termais britânicas, acompanhados de valores de output, em milhões de

Leia mais

MAE0325 - Séries Temporais

MAE0325 - Séries Temporais MAE0325 - Séries Temporais Fernando Henrique Ferraz Pereira da Rosa Vagner Aparecido Pedro Junior 26 de setembro de 2004 E7p80. Considere a série A (M-ICV): Lista 1 1 (a) teste a existência de tendência,

Leia mais

Testes (Não) Paramétricos

Testes (Não) Paramétricos Armando B. Mendes, DM, UAç 09--006 ANOVA: Objectivos Verificar as condições de aplicabilidade de testes de comparação de médias; Utilizar ANOVA a um factor, a dois factores e mais de dois factores e interpretar

Leia mais

LISTA DE EXERCÍCIOS 2 INE 7001 PROF. MARCELO MENEZES REIS ANÁLISE BIDIMENSIONAL

LISTA DE EXERCÍCIOS 2 INE 7001 PROF. MARCELO MENEZES REIS ANÁLISE BIDIMENSIONAL LISTA DE EXERCÍCIOS INE 7 PROF. MARCELO MENEZES REIS ANÁLISE BIDIMENSIONAL ) Uma pesquisa foi realizada com os integrantes das três categorias (professores, servidores, estudantes) da UFSC. Perguntou-se

Leia mais

Correlação Canônica. Outubro / 1998. Versão preliminar. Fabio Vessoni. fabio@mv2.com.br (011) 30642254. MV2 Sistemas de Informação

Correlação Canônica. Outubro / 1998. Versão preliminar. Fabio Vessoni. fabio@mv2.com.br (011) 30642254. MV2 Sistemas de Informação Correlação Canônica Outubro / 998 Versão preliminar Fabio Vessoni fabio@mv.com.br (0) 306454 MV Sistemas de Informação Introdução Existem várias formas de analisar dois conjuntos de dados. Um dos modelos

Leia mais

Risco e Retorno dos Investimentos. Paulo Pereira Ferreira Miba 507

Risco e Retorno dos Investimentos. Paulo Pereira Ferreira Miba 507 Risco e Retorno dos Investimentos Paulo Pereira Ferreira Miba 507 Risco e Retorno Esperados Linha Característica Linha do Mercado de Títulos Linha de Combinação Realidade Brasileira genda Risco e Retorno

Leia mais

Avaliando o que foi Aprendido

Avaliando o que foi Aprendido Avaliando o que foi Aprendido Treinamento, teste, validação Predição da performance: Limites de confiança Holdout, cross-validation, bootstrap Comparando algoritmos: o teste-t Predecindo probabilidades:função

Leia mais

PRO FOR WINDOWS (FPW)

PRO FOR WINDOWS (FPW) INTRODUÇÃO OAO FORECAST PRO FOR WINDOWS (FPW) Considerações Básicas Introdução ao Forecast Pro Software para análise e previsão de séries temporais. Características importantes Roda sob as diversas versões

Leia mais

Este apêndice resume os conceitos de álgebra matricial, inclusive da álgebra de probabilidade,

Este apêndice resume os conceitos de álgebra matricial, inclusive da álgebra de probabilidade, D Resumo de Álgebra Matricial Este apêndice resume os conceitos de álgebra matricial, inclusive da álgebra de probabilidade, necessária para o estudo de modelos de regressão linear múltipla usando matrizes,

Leia mais

AULAS 14, 15 E 16 Análise de Regressão Múltipla: Problemas Adicionais

AULAS 14, 15 E 16 Análise de Regressão Múltipla: Problemas Adicionais 1 AULAS 14, 15 E 16 Análise de Regressão Múltipla: Problemas Adicionais Ernesto F. L. Amaral 20 e 22 de abril e 04 de maio de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte:

Leia mais

Correlação e Regressão Linear

Correlação e Regressão Linear Correlação e Regressão Linear A medida de correlação é o tipo de medida que se usa quando se quer saber se duas variáveis possuem algum tipo de relação, de maneira que quando uma varia a outra varia também.

Leia mais

Regressão Logística. Daniel Araújo Melo - dam2@cin.ufpe.br. Graduação

Regressão Logística. Daniel Araújo Melo - dam2@cin.ufpe.br. Graduação Regressão Logística Daniel Araújo Melo - dam2@cin.ufpe.br Graduação 1 Introdução Objetivo Encontrar o melhor modelo para descrever a relação entre variável de saída (variável dependente) e variáveis independentes

Leia mais

Resoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-2010 - EPPGG

Resoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-2010 - EPPGG Resoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-010 - EPPGG 11. Em uma caixa há 1 bolas de mesmo tamanho: 3 brancas, 4 vermelhas e 5 pretas. Uma pessoa, no escuro, deve retirar n bolas

Leia mais

Teste de Hipótese para uma Amostra Única

Teste de Hipótese para uma Amostra Única Teste de Hipótese para uma Amostra Única OBJETIVOS DE APRENDIZAGEM Depois de um cuidadoso estudo deste capítulo, você deve ser capaz de: 1.Estruturar problemas de engenharia de tomada de decisão, como

Leia mais

Prof. M. Sc. Jarbas Thaunahy Santos de Almeida 1

Prof. M. Sc. Jarbas Thaunahy Santos de Almeida 1 Prof. M. Sc. Jarbas Thaunahy Santos de Almeida 1 Aula 7 Covariância e suas aplicações Roteiro Introdução Covariância Valor esperado, Variância e Desvio-padrão da soma entre duas variáveis aleatórias Retorno

Leia mais

Aprendendo a Interpretar Dados Financeiros de uma Empresa Usando Estatística de Forma Simples e Prática

Aprendendo a Interpretar Dados Financeiros de uma Empresa Usando Estatística de Forma Simples e Prática Aprendendo a Interpretar Dados Financeiros de uma Empresa Usando Estatística de Forma Simples e Prática Ederson Luis Posselt (edersonlp@yahoo.com.br) Eduardo Urnau (dudaurnau@gmail.com) Eloy Metz (eloy@softersul.com.br)

Leia mais

Análise de regressão linear simples. Departamento de Matemática Escola Superior de Tecnologia de Viseu

Análise de regressão linear simples. Departamento de Matemática Escola Superior de Tecnologia de Viseu Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente

Leia mais

Uma lei que associa mais de um valor y a um valor x é uma relação, mas não uma função. O contrário é verdadeiro (isto é, toda função é uma relação).

Uma lei que associa mais de um valor y a um valor x é uma relação, mas não uma função. O contrário é verdadeiro (isto é, toda função é uma relação). 5. FUNÇÕES DE UMA VARIÁVEL 5.1. INTRODUÇÃO Devemos compreender função como uma lei que associa um valor x pertencente a um conjunto A a um único valor y pertencente a um conjunto B, ao que denotamos por

Leia mais

TEORIA DO RISCO. LUIZ SANTOS / MAICKEL BATISTA economia.prof.luiz@hotmail.com maickel_ewerson@hotmail.com

TEORIA DO RISCO. LUIZ SANTOS / MAICKEL BATISTA economia.prof.luiz@hotmail.com maickel_ewerson@hotmail.com TEORIA DO RISCO LUIZ SANTOS / MAICKEL BATISTA economia.prof.luiz@hotmail.com maickel_ewerson@hotmail.com 1 TARIFAÇÃO (FERREIRA, 2002) Diversos conceitos e metodologias envolvidos no cálculo do preço pago

Leia mais

Métodos Matemáticos para Gestão da Informação

Métodos Matemáticos para Gestão da Informação Métodos Matemáticos para Gestão da Informação Aula 05 Taxas de variação e função lineares III Dalton Martins dmartins@gmail.com Bacharelado em Gestão da Informação Faculdade de Informação e Comunicação

Leia mais

Estatística Aplicada Lista de Exercícios 7

Estatística Aplicada Lista de Exercícios 7 AULA 7 CORRELAÇÃO E REGRESSÃO Prof. Lupércio F. Bessegato 1. Ache os valores de a e b para a equação de regressão Y = a + bx, usando o conjunto de dados apresentados a seguir, sem fazer cálculos (sugestão:

Leia mais

4 Análise de Dados. 4.1 Perfil dos Respondentes

4 Análise de Dados. 4.1 Perfil dos Respondentes 4 Análise de Dados 4.1 Perfil dos Respondentes A taxa de resposta foi de aproximadamente 8% de respostas na amostra de clientes que compram fora da loja (telefone e/ou Internet) e 3% na amostra de clientes

Leia mais

UNIVERSIDADE FEDERAL DO PIAUÍ (UFPI) ENG. DE PRODUÇÃO PROBABILIDADE E ESTATÍSTICA 2

UNIVERSIDADE FEDERAL DO PIAUÍ (UFPI) ENG. DE PRODUÇÃO PROBABILIDADE E ESTATÍSTICA 2 UNIVERSIDADE FEDERAL DO PIAUÍ (UFPI) ENG. DE PRODUÇÃO PROBABILIDADE E ESTATÍSTICA 2 LISTA N O 2 Prof.: William Morán Sem. I - 2011 1) Considere a seguinte função distribuição conjunta: 1 2 Y 0 0,7 0,0

Leia mais

Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti. Distribuição Normal

Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti. Distribuição Normal Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti Distribuição Normal 1. Introdução O mundo é normal! Acredite se quiser! Muitos dos fenômenos aleatórios que encontramos na

Leia mais

Universidade Federal de Santa Catarina CAPÍTULO 6 GRÁFICOS NO EXCEL.

Universidade Federal de Santa Catarina CAPÍTULO 6 GRÁFICOS NO EXCEL. CAPÍTULO 6 GRÁFICOS NO EXCEL. Um gráfico no Excel é uma representação gráfica dos números de sua planilha - números transformados em imagens. O Excel examina um grupo de células que tenham sido selecionadas.

Leia mais

Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística

Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Exercícios resolvidos em Análise de Regressão utilizando o MINITAB Giselle Silva de Carvalho Ilka Afonso Reis

Leia mais

INE 5111 Gabarito da Lista de Exercícios de Probabilidade INE 5111 LISTA DE EXERCÍCIOS DE PROBABILIDADE

INE 5111 Gabarito da Lista de Exercícios de Probabilidade INE 5111 LISTA DE EXERCÍCIOS DE PROBABILIDADE INE 5 LISTA DE EERCÍCIOS DE PROBABILIDADE INE 5 Gabarito da Lista de Exercícios de Probabilidade ) Em um sistema de transmissão de dados existe uma probabilidade igual a 5 de um dado ser transmitido erroneamente.

Leia mais

UNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo

UNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos

Leia mais

Monitoramento e Controle de Processo Multivariado

Monitoramento e Controle de Processo Multivariado Monitoramento e Controle de Processo Multivariado Roteiro 1. O Problema do Controle da Qualidade Multivariado 2. Descrição de Dados Multivariados 3. Gráfico de Controle T 2 de Hotelling (Subgrupos) 4.

Leia mais

UTILIZAÇÃO DE RECURSOS ESTATÍSTICOS AVANÇADOS DO EXCEL PREVISÃO

UTILIZAÇÃO DE RECURSOS ESTATÍSTICOS AVANÇADOS DO EXCEL PREVISÃO UTILIZAÇÃO DE RECURSOS ESTATÍSTICOS AVANÇADOS DO EXCEL PREVISÃO! Fazendo regressão linear! Relacionando variáveis e criando uma equação para explicá-las! Como checar se as variáveis estão relacionadas!

Leia mais

Cláudio Tadeu Cristino 1. Julho, 2014

Cláudio Tadeu Cristino 1. Julho, 2014 Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino

Leia mais

FERRAMENTAS DA QUALIDADE PROGNÓSTICO CAUSAL

FERRAMENTAS DA QUALIDADE PROGNÓSTICO CAUSAL FERRAMENTAS DA QUALIDADE PROGNÓSTICO CAUSAL Prognóstico é um processo de estimativa de fatores desconhecidos Existem muitos usos para o prognóstico. Toda indústria necessita prever o "fator desconhecido",

Leia mais

Todos os exercícios sugeridos nesta apostila se referem ao volume 1. MATEMÁTICA I 1 FUNÇÃO DO 1º GRAU

Todos os exercícios sugeridos nesta apostila se referem ao volume 1. MATEMÁTICA I 1 FUNÇÃO DO 1º GRAU FUNÇÃO IDENTIDADE... FUNÇÃO LINEAR... FUNÇÃO AFIM... GRÁFICO DA FUNÇÃO DO º GRAU... IMAGEM... COEFICIENTES DA FUNÇÃO AFIM... ZERO DA FUNÇÃO AFIM... 8 FUNÇÕES CRESCENTES OU DECRESCENTES... 9 SINAL DE UMA

Leia mais

Questões de Exames Passados. 1. Considere o polígono integral das distribuições a seguir e responda as perguntas abaixo. F(x) C D

Questões de Exames Passados. 1. Considere o polígono integral das distribuições a seguir e responda as perguntas abaixo. F(x) C D Faculdade de Economia, Universidade Nova de Lisboa Tratamento de Dados André C. Silva Questões de Exames Passados 1. Considere o polígono integral das distribuições a seguir e responda as perguntas abaixo.

Leia mais

1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.

1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. 1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3

Leia mais

1. INTRODUÇÃO AO EVIEWS. 1.1. Construção da Base de Dados

1. INTRODUÇÃO AO EVIEWS. 1.1. Construção da Base de Dados Universidade Federal do Rio Grande do Sul Faculdade de Ciências Econômicas Curso de Doutorado em Economia (Estágio Docência) Disciplina: Econometria Aplicada Professor: Sabino Porto Junior Estagiário:

Leia mais

4 Tentativas de se Modelar Alterações no Prêmio de Risco

4 Tentativas de se Modelar Alterações no Prêmio de Risco 4 Tentativas de se Modelar Alterações no Prêmio de Risco Antes de partirmos para considerações sobre as diversas tentativas já realizadas de se modelar alterações no prêmio de risco, existe um ponto conceitual

Leia mais

4 Gráficos de controle

4 Gráficos de controle 4 Gráficos de controle O gráfico de controle é uma ferramenta poderosa do Controle Estatístico de Processo (CEP) para examinar a variabilidade em dados orientados no tempo. O CEP é composto por um conjunto

Leia mais

Faculdade Sagrada Família

Faculdade Sagrada Família AULA 12 - AJUSTAMENTO DE CURVAS E O MÉTODO DOS MÍNIMOS QUADRADOS Ajustamento de Curvas Sempre que desejamos estudar determinada variável em função de outra, fazemos uma análise de regressão. Podemos dizer

Leia mais

CAPÍTULO 12 AUTOCORRELAÇÃO

CAPÍTULO 12 AUTOCORRELAÇÃO Econometria Semestre 2010.01 121 121 CAPÍTULO 12 AUTOCORRELAÇÃO 12.1. A NATUREZA DO PROBLEMA O objetivo deste capítulo é examinar as conseqüências da violação de uma das hipóteses fundamentais do modelo

Leia mais

Medidas repetidas No.1

Medidas repetidas No.1 Medidas repetidas No.1 Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br Agosto de 2008 1 Introdução Tempo de reação de

Leia mais

Introdução à Estatística Inferencial Luiz Pasquali

Introdução à Estatística Inferencial Luiz Pasquali Capítulo 4 Introdução à Estatística Inferencial Luiz Pasquali Os temas deste capítulo são: Teste Estatístico Hipótese estatística Pressuposições no teste de hipótese Regras de decisão Erros tipo I e tipo

Leia mais

2 A Derivada. 2.1 Velocidade Média e Velocidade Instantânea

2 A Derivada. 2.1 Velocidade Média e Velocidade Instantânea 2 O objetivo geral desse curso de Cálculo será o de estudar dois conceitos básicos: a Derivada e a Integral. No decorrer do curso esses dois conceitos, embora motivados de formas distintas, serão por mais

Leia mais

ATENÇÃO: Escreva a resolução COMPLETA de cada questão no espaço reservado para a mesma.

ATENÇÃO: Escreva a resolução COMPLETA de cada questão no espaço reservado para a mesma. 2ª Fase Matemática Introdução A prova de matemática da segunda fase é constituída de 12 questões, geralmente apresentadas em ordem crescente de dificuldade. As primeiras questões procuram avaliar habilidades

Leia mais

MÓDULO 2 PLANEJAMENTO LOGÍSTICO ASSOCIADO AO TRANSPORTE

MÓDULO 2 PLANEJAMENTO LOGÍSTICO ASSOCIADO AO TRANSPORTE MÓDULO 2 PLANEJAMENTO LOGÍSTICO ASSOCIADO AO TRANSPORTE 2.1 - Níveis de Planejamento O planejamento logístico tenta responder aos questionamentos de: O QUE? QUANDO? COMO? Nos níveis estratégico, tático

Leia mais

AULAS 02 E 03 Modelo de Regressão Simples

AULAS 02 E 03 Modelo de Regressão Simples 1 AULAS 02 E 03 Modelo de Regressão Simples Ernesto F. L. Amaral 04 e 09 de março de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte: Wooldridge, Jeffrey M. Introdução à

Leia mais

A INTEGRAÇÃO ENTRE ESTATÍSTICA E METROLOGIA

A INTEGRAÇÃO ENTRE ESTATÍSTICA E METROLOGIA A INTEGRAÇÃO ENTRE ESTATÍSTICA E METROLOGIA João Cirilo da Silva Neto jcirilo@araxa.cefetmg.br. CEFET-MG-Centro Federal de Educação Tecnológica de Minas Gerais-Campus IV, Araxá Av. Ministro Olavo Drumonnd,

Leia mais

FUNÇÕES. 1. Equação. 2. Gráfico. 3. Tabela.

FUNÇÕES. 1. Equação. 2. Gráfico. 3. Tabela. FUNÇÕES Em matemática, uma função é dada pela relação entre duas ou mais quantidades. A função de uma variável f(x) relaciona duas quantidades, sendo o valor de f dependente do valor de x. Existem várias

Leia mais

TÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO

TÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO 1 TÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO Mario de Andrade Lira Junior www.lira.pro.br direitos autorais. INTRODUÇÃO À ANÁLISE MULTIVARIADA Apenas uma breve apresentação Para não dizerem que

Leia mais

O modelo ANOVA a dois factores, hierarquizados

O modelo ANOVA a dois factores, hierarquizados O modelo ANOVA a dois factores, hierarquizados Juntando os pressupostos necessários à inferência, Modelo ANOVA a dois factores, hierarquizados Seja A o Factor dominante e B o Factor subordinado. Existem

Leia mais

Comparação entre medidas clássicas e robustas para identificação de outliers em regressão

Comparação entre medidas clássicas e robustas para identificação de outliers em regressão Comparação entre medidas clássicas e robustas para identificação de outliers em regressão Gabriela Isabel L. Alves (1), Verônica Maria C. Lima (2) (1) Curso de Graduação em Estatística (2) Departamento

Leia mais

CRM e Prospecção de Dados

CRM e Prospecção de Dados CRM e Prospecção de Dados Marília Antunes aula de 18 de Maio 09 6 Modelos de regressão (continuação) 6.1 Interpretação do modelo ajustado Os coeficientes do modelo de regressão múltipla podem ser interpretados

Leia mais

Sumário. Parte l. 1. Introdução à pesquisa qualitativa e quantitativa em marketing 1 1.1 Pesquisa qualitativa 1 1.2 Pesquisa quantitativa 3

Sumário. Parte l. 1. Introdução à pesquisa qualitativa e quantitativa em marketing 1 1.1 Pesquisa qualitativa 1 1.2 Pesquisa quantitativa 3 Sumário Parte l 1. Introdução à pesquisa qualitativa e quantitativa em marketing 1 1.1 Pesquisa qualitativa 1 1.2 Pesquisa quantitativa 3 2. Entrevistas 5 2.1 Tipos de entrevistas 8 2.2 Preparação e condução

Leia mais

Teorema do Limite Central e Intervalo de Confiança

Teorema do Limite Central e Intervalo de Confiança Probabilidade e Estatística Teorema do Limite Central e Intervalo de Confiança Teorema do Limite Central Teorema do Limite Central Um variável aleatória pode ter uma distribuição qualquer (normal, uniforme,...),

Leia mais

REGRESSÃO MÚLTIPLA: uma digressão sobre seus usos.

REGRESSÃO MÚLTIPLA: uma digressão sobre seus usos. REGRESSÃO MÚLTIPLA: uma digressão sobre seus usos. Autores: Istvan Karoly Kasznar, PhD Professor Titular da FGV e Presidente da IBCI Bento Mario Lages Gonçalves, MSc Consultor Senior da IBCI REGRESSÃO

Leia mais

5 A Metodologia de Estudo de Eventos

5 A Metodologia de Estudo de Eventos 57 5 A Metodologia de Estudo de Eventos 5.1. Principais Conceitos Introduzido em 1969 pelo estudo de Fama, Fisher, Jensen e Roll, o estudo de evento consiste na análise quanto à existência ou não de uma

Leia mais

Análise de Variância simples (One way ANOVA)

Análise de Variância simples (One way ANOVA) Análise de Variância simples (One way ANOVA) Análise de experiências com vários grupos de observações classificados através de um só factor (por exemplo grupos de indivíduos sujeitos a diferentes tratamentos

Leia mais

Teste de hipóteses com duas amostras. Estatística Aplicada Larson Farber

Teste de hipóteses com duas amostras. Estatística Aplicada Larson Farber 8 Teste de hipóteses com duas amostras Estatística Aplicada Larson Farber Seção 8.1 Testando a diferença entre duas médias (amostras grandes e independentes) Visão geral Para testar o efeito benéfico de

Leia mais

1. Os métodos Não-Paramétricos podem ser aplicados a uma ampla diversidade de situações, porque não exigem populações distribuídas normalmente.

1. Os métodos Não-Paramétricos podem ser aplicados a uma ampla diversidade de situações, porque não exigem populações distribuídas normalmente. TESTES NÃO - PARAMÉTRICOS As técnicas da Estatística Não-Paramétrica são, particularmente, adaptáveis aos dados das ciências do comportamento. A aplicação dessas técnicas não exige suposições quanto à

Leia mais

Módulo 13. Regulação em reprodutores contínuos: a eq. logística

Módulo 13. Regulação em reprodutores contínuos: a eq. logística Módulo 13. Regulação em reprodutores contínuos: a eq. logística Objectivos Suponhamos que se dispõe de observações da densidade populacional ( 1, 2, 3,...) duma população de reprodutores contínuos, na

Leia mais

Aula 10. ANOVA Análise de Variância em SPSS

Aula 10. ANOVA Análise de Variância em SPSS Aula 10. ANOVA Análise de Variância em SPSS Métodos Estadísticos 2008 Universidade de Averio Profª Gladys Castillo Jordán Análise de Variância Objectivo: comparar medidas de localização para mais do que

Leia mais

A seguir, uma demonstração do livro. Para adquirir a versão completa em papel, acesse: www.pagina10.com.br

A seguir, uma demonstração do livro. Para adquirir a versão completa em papel, acesse: www.pagina10.com.br A seguir, uma demonstração do livro. Para adquirir a versão completa em papel, acesse: www.pagina0.com.br Funções Reais CÁLCULO VOLUME ZERO - Neste capítulo, estudaremos as protagonistas do longa metragem

Leia mais

O comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão.

O comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão. ESTATÍSTICA INDUTIVA 1. CORRELAÇÃO LINEAR 1.1 Diagrama de dispersão O comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão.

Leia mais

5 Análise prospectiva dos investimentos das EFPC

5 Análise prospectiva dos investimentos das EFPC 5 Análise prospectiva dos investimentos das EFPC Nesta seção serão apresentados os resultados encontrados para os diversos modelos estimados. No total foram estimados dezessete 1 modelos onde a variável

Leia mais

EXCEL 2013. Público Alvo: Arquitetos Engenheiros Civis Técnicos em Edificações Projetistas Estudantes das áreas de Arquitetura, Decoração e Engenharia

EXCEL 2013. Público Alvo: Arquitetos Engenheiros Civis Técnicos em Edificações Projetistas Estudantes das áreas de Arquitetura, Decoração e Engenharia EXCEL 2013 Este curso traz a vocês o que há de melhor na versão 2013 do Excel, apresentando seu ambiente de trabalho, formas de formatação de planilhas, utilização de fórmulas e funções e a criação e formatação

Leia mais

Faculdade Pitágoras de Uberlândia Curso: Administração Disciplina: Administração de Materiais. Unidade 1 Previsão de Demanda. Revisão 0, de 07/08/2012

Faculdade Pitágoras de Uberlândia Curso: Administração Disciplina: Administração de Materiais. Unidade 1 Previsão de Demanda. Revisão 0, de 07/08/2012 Faculdade Pitágoras de Uberlândia Curso: Administração Disciplina: Administração de Materiais Unidade 1 Previsão de Demanda Revisão 0, de 07/08/2012 Prof. João Paulo Seno jpseno.pitagoras@gmail.com O que

Leia mais

Tópicos em Inferência Estatística. Frases. Roteiro. 1. Introdução

Tópicos em Inferência Estatística. Frases. Roteiro. 1. Introdução Tópicos em Inferência Estatística Frases Torture os dados por um tempo suficiente, e eles contam tudo! fonte: mcrsoft@aimnet.com (Barry Fetter) Um homem com um relógio sabe a hora certa. Um homem com dois

Leia mais

Método de Monte Carlo e ISO

Método de Monte Carlo e ISO Método de Monte Carlo e ISO GUM para cálculo l de incerteza Prof. Dr. Antonio Piratelli Filho Universidade de Brasilia (UnB) Faculdade de Tecnologia Depto. Engenharia Mecânica 1 Introdução: Erro x incerteza

Leia mais

Epidemiologia. Profa. Heloisa Nascimento

Epidemiologia. Profa. Heloisa Nascimento Epidemiologia Profa. Heloisa Nascimento Medidas de efeito e medidas de associação -Um dos objetivos da pesquisa epidemiológica é o reconhecimento de uma relação causal entre uma particular exposição (fator

Leia mais

Capítulo 7 Medidas de dispersão

Capítulo 7 Medidas de dispersão Capítulo 7 Medidas de dispersão Introdução Para a compreensão deste capítulo, é necessário que você tenha entendido os conceitos apresentados nos capítulos 4 (ponto médio, classes e frequência) e 6 (média).

Leia mais